언더샘플링 공초점 영상 복원을 위한 다중해상도 최대엔트로피 정규화

본 연구는 공초점 현미경의 점 스캔 방식으로 인해 발생하는 낮은 샘플링 밀도와 높은 잡음이라는 두 가지 제약을 동시에 해결하고자 한다. 기존의 총변량(total variation, TV) 정규화는 L1‑norm 기반 파생 연산자를 사용해 에지를 보존하는 장점이 있지만, 측정 연산자와 파생 연산자 사이의 상호불일치(mutual incoherence)가 낮은 경우, 즉 두 연산자가 거의 직교하지 않을 때 ‘위상 전이(phase transition)’ 현상이 발생해 재구성 품질이 급격히 저하된다. 공초점 데이터는 무작위 점 샘플링을 기반으로 하므로, 이러한 상호불일치가 매우 낮아 TV‑L1 정규화가 잡음과 언더샘플링을 동시에 처리하기에 부적합함을 저자들은 실험적으로 확인한다. 문제 정의는 산점도 근사(scattered data approximation) 프레임워크 안에서 이루어진다. 샘플 위치 집합 X={x_i}와 해당 측정값 f_i가 주어지면, 전통적인 방법은 u* = argmin_u Σ_i (u(x_i) – f_i)^2 + λ R(u) 와 같이 데이터 적합 항과 거칠기(Roughness) 정규화 항 R(u)를 결합한다. 여기서 R(u)는 보통 2차 미분의 제곱합(Thin‑Plate Spline) 형태이거나, 1차 미분의 절대값(L1) 형태가 된다. 저자는 기존 연구에서 p=2(제곱형)와 p=1(L1) 정규화가 각각 과‑스무딩과 스파이크 아티팩트를 야기한다는 점을 지적한다. 특히 p=1 정규화는 픽셀별 거칠기 값을 독립적으로 가정함으로써, 샘플링 밀도가 낮은 경우 스파이크 형태의 인공 구조가 나타난다. 이러한 한계를 극복하기 위해 저자는 두 가지 핵심 전략을 제시한다. 첫 번째는 다중해상도(multi‑resolution) 접근법이다. 저해상도에서 초기 복원을 수행하고, 그 결과를 고해상도 단계의 정규화 설계에 활용한다. 두 번째는 최대엔트로피 원칙을 이용한 적응형 정규화이다. 저해상도 복원 이미지 v를 사전 정보로 사용해, 정규화 항을 엔트로피를 최대화하는 확률 분포 형태로 정의한다. 구체적으로, 이미지 헤시안(Hessian) 행렬의 고유벡터를 이용해 2차 미분 연산자를 방향성 가중치로 변환하고, 이 가중치를 정규화 항에 삽입한다. 이렇게 하면 에지와 같은 급격한 변화는 보존하면서, 잡음에 의해 발생하는 스파이크는 억제한다. 수학적으로는 MAP(Maximum A Posteriori) 추정 프레임워크를 사용한다. 데이터 적합 항 D(u) = (1/σ^2) Σ_y c(y)(h(y) – u(y))^2 로 가정하고, 사전 확률 p(u|k) = ∏_y exp( – (1/k) E